CN112560721A - 无感知模型切换方法、装置、电子设备及存储介质 - Google Patents
无感知模型切换方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112560721A CN112560721A CN202011524901.2A CN202011524901A CN112560721A CN 112560721 A CN112560721 A CN 112560721A CN 202011524901 A CN202011524901 A CN 202011524901A CN 112560721 A CN112560721 A CN 112560721A
- Authority
- CN
- China
- Prior art keywords
- face recognition
- model
- service request
- recognition model
- new face
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000008447 perception Effects 0.000 title abstract description 21
- 238000012795 verification Methods 0.000 claims abstract description 105
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 230000010076 replication Effects 0.000 claims description 13
- 230000002441 reversible effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003362 replicative effect Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 18
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Abstract
本发明涉及生物识别技术,揭露了一种无感知模型切换方法,包括:利用原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果,对所述原始业务请求进行流量复制,得到标准业务请求,并利用所述标准业务请求对新人脸识别模型进行灰度验证,得到第二验证结果,基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果,当所述分析结果小于等于预设的阈值时,切换到所述新人脸识别模型。此外,本发明还涉及区块链技术,所述原始业务请求可从区块链的节点获取。本发明还提出一种无感知模型切换装置、电子设备以及计算机可读存储介质。本发明可以解决模型无法实现无感知切换的问题。
Description
技术领域
本发明涉及生物识别技术领域,尤其涉及一种无感知模型切换方法、装置、电子设备及计算机可读存储介质。
背景技术
人脸识别平台,通过对接多个业务方,并为各个业务方提供统一标准的智能认证服务。智能认证通过人脸识别技术、活体识别技术等相结合,快速进行身份核实。然而人脸识别平台的智能认证模型会不断迭代更新,现有技术下存在以下缺陷:1、为每种新的人脸识别模型都提供一套API给到业务方对接。这样会造成,只要有新模型的上线,业务方都需要和人脸识别平台重新对接联调,沟通成本高,效率底下。2、人脸识别平台只提供一套API,由API直接切换对接到新人脸识别模型。但是它忽略了新的模型并未在生产环境下灰度试点验证,不能保证新模型在实际生产环境下的识别有效性和运行稳定性。也忽略了不同算法模型计算的分数和阈值是不一样的,如果某些业务方未采纳默认阈值的情况下,无法实现完全的无感知切换。
发明内容
本发明提供一种无感知模型切换方法、装置及计算机可读存储介质,其主要目的在于解决模型无法实现无感知切换的问题。
为实现上述目的,本发明提供的一种无感知模型切换方法,包括:
获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果;
对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型;
利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果;
基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果;
将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
可选地,所述利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果,包括:
利用预设的API网关对所述原始业务请求进行识别,确定所述原始业务请求应通过的旧人脸识别模型;
利用所述旧人脸识别模型对所述原始业务请求进行识别,得到旧人脸识别分数及旧人脸识别结果,汇总所述旧人脸识别分数及旧人脸识别结果得到第一验证结果。
可选地,所述对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型,包括:
利用所述API网关对所述原始业务请求进行等比例流量复制,得到所述标准业务请求;
对所述标准业务请求进行反向代理,并将所述标准业务请求下发至预构建的新人脸识别模型。
可选地,所述利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果,包括:
根据预设的阶梯式灰度策略调用所述标准业务请求,得到灰度流量请求;
利用所述新人脸识别模型对所述灰度流量请求进行人脸识别,得到新人脸识别分数及新人脸识别结果,汇总所述新人脸识别分数及新人脸识别结果,得到第二验证结果。
可选地,所述所述预设的阶梯式灰度策略为:
其中,m和n表示预设的百分比,Si表示i业务场景每天需要的灰度流量请求,Avgi表示最近一个月i业务场景基于旧模型的调用量的平均值,Avg总表示近一个月所有业务场景基于旧模型的调用量的平均值。
可选地,所述基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果,包括:
在所述第一、第二验证结果中,随机抽取预设数量作为验证样本;
利用所述验证样本计算新、旧人脸识别模型的有效性指标,及利用所述验证样本计算所述新人脸识别模型的稳定性指标;
汇总所述有效性指标及稳定性指标得到分析结果。
可选地,所述转换所述新人脸识别模型的识别分数,包括:
获取旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值;
根据所述旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值将新人脸识别模型的识别分数转换为旧人脸识别模型的识别分数。
为了解决上述问题,本发明还提供一种无感知模型切换装置,所述装置包括:
人脸识别模块,用于获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果;
流量复制模块,用于对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型;
灰度验证模块,用于利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果;
分析模块,用于基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果;
模型切换模块,用于将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的无感知模型切换方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的无感知模型切换方法。
本发明通过对所述原始业务请求进行等比例流量复制,得到标准业务请求,并利用所述标准业务请求对新人脸识别模型进行验证,此时原始业务请求仍然可以通过旧人脸识别模型进行识别,可以最大限度的降低对业务方的影响。通过所述标准业务请求对新人脸识别模型进行灰度验证,可以实现对所述新人脸识别模型的无感知验证,并且由于所述标准业务请求是复制的实际真实环境下的流量请求,通过所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,可以更加准确的反映所述新人脸识别模型的性能。同时,通过转换所述新人脸识别模型的识别分数,使得人脸识别可以在旧阈值体系下还能正常使用,实现了新人脸识别模型的无感知切换。因此本发明提出的无感知模型切换方法、装置、电子设备及计算机可读存储介质,可以解决模型无法实现无感知切换的问题。
附图说明
图1为本发明一实施例提供的无感知模型切换方法的流程示意图;
图2为图1中一个步骤的详细实施流程示意图;
图3为图1中另一个步骤的详细实施流程示意图;
图4为图1中另一个步骤的详细实施流程示意图;
图5为拒识率及误识率的示意图;
图6为本发明一实施例提供的无感知模型切换装置的功能模块图;
图7为本发明一实施例提供的实现所述无感知模型切换方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种无感知模型切换方法。所述无感知模型切换方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述无感知模型切换方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的无感知模型切换方法的流程示意图。在本实施例中,所述无感知模型切换方法包括:
S1、获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果。
本发明实施例中,所述原始业务请求可以为各业务方的人脸识别请求。比如,银行领域,A银行的人脸识别平台会统一各业务方的人脸识别请求,所述业务方包括:“A口袋银行”、“A银行汽融助手”及“A银行口袋银行家”等。所述预构建的旧人脸识别模型可以为原来与各业务方对接的人脸识别模型。
较佳地,参照图2所示,所述利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果,包括:
S10、利用预设的API网关对所述原始业务请求进行识别,确定所述原始业务请求应通过的旧人脸识别模型;
S11、利用所述旧人脸识别模型对所述原始业务请求进行识别,得到旧人脸识别分数及旧人脸识别结果,汇总所述旧人脸识别分数及旧人脸识别结果得到第一验证结果。
其中,所述API网关(Gateway)是用来集中处理所有业务方业务请求的统一入口,所述API网关首要的功能是负责统一接入各业务方请求,然后将各业务方请求的协议转换成内部的接口协议,通过所述接口协议和对应的旧人脸识别模型关联,所述API网关包含了统一接入、协议适配、流量管理与容错及安全防护等功能。
S2、对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型。
较佳地,参照图3所示,所述S2包括:
S20、利用所述API网关对所述原始业务请求进行等比例流量复制,得到所述标准业务请求;
S21、对所述标准业务请求进行反向代理,并将所述标准业务请求下发至预构建的新人脸识别模型。
其中,本发明实施例中,通过API网关1:1复制实际生产环境的原始业务请求,分发到新人脸识别模型,确保在不干扰现有实际生产环境运行的情况下对新人脸识别模型进行验证。所述新人脸识别模型可以为根据实际生产环境新上线的人脸识别模型。本发明实施可以使用nginx代理服务器进行反向代理,所述反向代理是指nginx代理服务器对所述标准业务请求进行负载均衡,并分发到对应的新人脸识别模型。
进一步地,本发明实施通过对所述原始业务请求进行等比例流量复制,得到标准业务请求,利用所述标准业务请求对模型进行验证,可以最大限度的降低对各业务方的影响。
S3、利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果。
较佳地,参照图4所示,所述S3包括:
S30、根据预设的阶梯式灰度策略调用所述标准业务请求,得到灰度流量请求;
S31、利用所述新人脸识别模型对所述灰度流量请求进行人脸识别,得到新人脸识别分数及新人脸识别结果,汇总所述新人脸识别分数及新人脸识别结果,得到第二验证结果。
本发明实施例中,所述预设的阶梯式灰度策略可以为:
其中,m和n表示预设的百分比,Si表示i业务场景每天需要的灰度流量请求,Avgi表示最近一个月i业务场景基于旧模型的调用量的平均值,Avg总表示近一个月所有业务场景基于旧模型的调用量的平均值。同时,本发明实施例中,因为不同业务场景的调用量是不一样的,为了避免某些业务场景灰度流量过大,采用了阶梯式的灰度策略,能够降低对计算机计算资源的占用。
本发明实施例通过所述标准业务请求对预设的新人脸识别模型进行灰度验证,可以实现对所述新人脸识别模型的无感知验证。
S4、基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果。
较佳地,所述基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果,包括:
在所述第一、第二验证结果中,随机抽取预设数量作为验证样本;
利用所述验证样本计算新、旧人脸识别模型的有效性指标,及利用所述验证样本计算所述新人脸识别模型的稳定性指标;
汇总所述有效性指标及稳定性指标得到分析结果。
其中,本发明实施例中,对于同一业务方的业务请求,可以按照一个月的时间长度,每天随机抽取5000笔验证结果作为验证样本。
本发明实施例中,所述有效性指标通过下述方法计算:
F=0.3*FRR+0.7*FAR
其中,F为所述有效性指标,FRR为拒识率,FAR为误识率,所述有效性指标值越小表示模型越好。
本发明实施例中,FRR及FAR计算公式如图5所示,其中, 式中,TP表示为真阳例,即模型识别为同一个人并且实际也为同一个人的个数,FP表示为假阳例,即模型识别为同一个人而实际为非同一个人的个数,FN表示为假负例,即模型识别为非同一个人而实际为同一个人的个数,TN为真负例,即模型识别为非同一个人而实际也为非同一个人的个数。
进一步地,本发明实施例中,所述稳定性指标包括:人脸识别平均耗时(tmean)、人脸识别最大耗时(tmax)、人脸识别最小耗时(tmin)、人脸识别耗时的标准差(tstd)及人脸识别异常率(ERROR),其中,前四个指标是一组统计学指标,目的是为了校验人脸验证这一接口的稳定性,它们的计算公式分别为:
式中,t1…tn表示每一次的识别耗时,MEAN为求平均值的函数,MAX表示求最大值的函数,MIN表示求最小值的函数,STD表示计算标准差的函数。
具体地,人脸识别异常率(ERROR)是指下发请求后,有多少识别异常中断(程序未知错误)的情况,数值越小越好,其计算公式为:
其中,error表示在验证样本中验证失败的个数,N表示验证样本的个数。
进一步地,本发明实施例中,由于所述标准业务请求是实际真实环境下的流量请求,通过所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,可以更加准确的反映所述新人脸识别模型的性能。
S5、将所述分析结果和预设的阈值进行比较。
当所述分析结果大于所述预设的阈值时,执行S6、不进行切换。
当所述分析结果小于等于所述预设的阈值时,执行S7、切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
本发明实施例中,通过在所述API网关中设置切换开关,当所述分析结果小于等于预设的阈值且全部标准业务求情都灰度验证通过后,可以开始切换,将旧人脸识别模型切换到新人脸识别模型,实现了新、旧人脸识别模型的无感知自动切换,在各业务方无感知的情况下切换到识别准确率更高的新人脸识别模型。
详细地,所述转换所述新人脸识别模型的识别分数,包括:
获取旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值;
根据所述旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值将新人脸识别模型的识别分数转换为旧人脸识别模型的识别分数。
进一步地,本发明实施例中,通过下述公式进行转换:
其中,R1是旧人脸识别模型的识别阈值,R2是新人脸识别模型的识别阈值,x是新人脸识别模型的识别分数,y是新人脸识别模型映射到旧人脸识别模型之后的识别分数。
本发明实施例中,所述旧人脸识别模型的识别阈值R1及新人脸识别模型的识别阈值R2,可以选取预设的新、旧人脸识别模型识别阈值的正态分布中位值。
进一步地,本发明实施例通过转换所述新人脸识别模型的识别分数,使得人脸识别可以在旧阈值体系下还能正常使用,实现了模型的自动及无感知切换。
本发明通过对所述原始业务请求进行等比例流量复制,得到标准业务请求,并利用所述标准业务请求对新人脸识别模型进行验证,此时原始业务请求仍然可以通过旧人脸识别模型进行识别,可以最大限度的降低对业务方的影响。通过所述标准业务请求对新人脸识别模型进行灰度验证,可以实现对所述新人脸识别模型的无感知验证,并且由于所述标准业务请求是复制的实际真实环境下的流量请求,通过所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,可以更加准确的反映所述新人脸识别模型的性能。同时,通过转换所述新人脸识别模型的识别分数,使得人脸识别可以在旧阈值体系下还能正常使用,实现了新人脸识别模型的无感知切换。因此本发明实施可以解决模型无法实现无感知切换的问题。
如图6所示,是本发明一实施例提供的无感知模型切换装置的功能模块图。
本发明所述无感知模型切换装置100可以安装于电子设备中。根据实现的功能,所述无感知模型切换装置100可以包括人脸识别模块101、流量复制模块102、灰度验证模块103、分析模块104及模型切换模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述人脸识别模块101,用于获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果。
本发明实施例中,所述原始业务请求可以为各业务方的人脸识别请求。比如,银行领域,A银行的人脸识别平台会统一各业务方的人脸识别请求,所述业务方包括:“A口袋银行”、“A银行汽融助手”及“A银行口袋银行家”等。所述预构建的旧人脸识别模型可以为原来与各业务方对接的人脸识别模型。
较佳地,所述人脸识别模块101通过下述操作得到第一验证结果:
利用预设的API网关对所述原始业务请求进行识别,确定所述原始业务请求应通过的旧人脸识别模型;
利用所述旧人脸识别模型对所述原始业务请求进行识别,得到旧人脸识别分数及旧人脸识别结果,汇总所述旧人脸识别分数及旧人脸识别结果得到第一验证结果。
其中,所述API网关(Gateway)是用来集中处理所有业务方业务请求的统一入口,所述API网关首要的功能是负责统一接入各业务方请求,然后将各业务方请求的协议转换成内部的接口协议,通过所述接口协议和对应的旧人脸识别模型关联,所述API网关包含了统一接入、协议适配、流量管理与容错及安全防护等功能。
所述流量复制模块102,用于对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型。
较佳地,所述流量复制模块102通过下述操作对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型:
利用所述API网关对所述原始业务请求进行等比例流量复制,得到所述标准业务请求;
对所述标准业务请求进行反向代理,并将所述标准业务请求下发至预构建的新人脸识别模型。
其中,本发明实施例中,通过API网关1:1复制实际生产环境的原始业务请求,分发到新人脸识别模型,确保在不干扰现有实际生产环境运行的情况下对新人脸识别模型进行验证。所述新人脸识别模型可以为根据实际生产环境新上线的人脸识别模型。本发明实施可以使用nginx代理服务器进行反向代理,所述反向代理是指nginx代理服务器对所述标准业务请求进行负载均衡,并分发到对应的新人脸识别模型。
进一步地,本发明实施通过对所述原始业务请求进行等比例流量复制,得到标准业务请求,利用所述标准业务请求对模型进行验证,可以最大限度的降低对各业务方的影响。
所述灰度验证模块103,用于利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果。
较佳地,所述灰度验证模块103通过下述操作得到第二验证结果:
根据预设的阶梯式灰度策略调用所述标准业务请求,得到灰度流量请求;
利用所述新人脸识别模型对所述灰度流量请求进行人脸识别,得到新人脸识别分数及新人脸识别结果,汇总所述新人脸识别分数及新人脸识别结果,得到第二验证结果。
本发明实施例中,所述预设的阶梯式灰度策略可以为:
其中,m和n表示预设的百分比,Si表示i业务场景每天需要的灰度流量请求,Avgi表示最近一个月i业务场景基于旧模型的调用量的平均值,Avg总表示近一个月所有业务场景基于旧模型的调用量的平均值。同时,本发明实施例中,因为不同业务场景的调用量是不一样的,为了避免某些业务场景灰度流量过大,采用了阶梯式的灰度策略,能够降低对计算机计算资源的占用。
本发明实施例通过所述标准业务请求对预设的新人脸识别模型进行灰度验证,可以实现对所述新人脸识别模型的无感知验证。
所述分析模块104,用于基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果。
较佳地,所述分析模块104通过下述操作得到得到分析结果:
在所述第一、第二验证结果中,随机抽取预设数量作为验证样本;
利用所述验证样本计算新、旧人脸识别模型的有效性指标,及利用所述验证样本计算所述新人脸识别模型的稳定性指标;
汇总所述有效性指标及稳定性指标得到分析结果。
其中,本发明实施例中,对于同一业务方的业务请求,可以按照一个月的时间长度,每天随机抽取5000笔验证结果作为验证样本。
本发明实施例中,所述有效性指标通过下述方法计算:
F=0.3*FRR+0.7*FAR
其中,F为所述有效性指标,FRR为拒识率,FAR为误识率,所述有效性指标值越小表示模型越好。
本发明实施例中,式中,TP表示为真阳例,即模型识别为同一个人并且实际也为同一个人的个数,FP表示为假阳例,即模型识别为同一个人而实际为非同一个人的个数,FN表示为假负例,即模型识别为非同一个人而实际为同一个人的个数,TN为真负例,即模型识别为非同一个人而实际也为非同一个人的个数。
进一步地,本发明实施例中,所述稳定性指标包括:人脸识别平均耗时(tmean)、人脸识别最大耗时(tmax)、人脸识别最小耗时(tmin)、人脸识别耗时的标准差(tstd)及人脸识别异常率(ERROR),其中,前四个指标是一组统计学指标,目的是为了校验人脸验证这一接口的稳定性,它们的计算公式分别为:
式中,t1…tn表示每一次的识别耗时,MEAN为求平均值的函数,MAX表示求最大值的函数,MIN表示求最小值的函数,STD表示计算标准差的函数。
具体地,人脸识别异常率(ERROR)是指下发请求后,有多少识别异常中断(程序未知错误)的情况,数值越小越好,其计算公式为:
其中,error表示在验证样本中验证失败的个数,N表示验证样本的个数。
进一步地,本发明实施例中,由于所述标准业务请求是实际真实环境下的流量请求,通过所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,可以更加准确的反映所述新人脸识别模型的性能。
所述模型切换模块105,用于将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
本发明实施例中,通过在所述API网关中设置切换开关,当所述分析结果小于等于预设的阈值且全部标准业务求情都灰度验证通过后,可以开始切换,将旧人脸识别模型切换到新人脸识别模型,实现了新、旧人脸识别模型的无感知自动切换,在各业务方无感知的情况下切换到识别准确率更高的新人脸识别模型。
详细地,所述模型切换模块105通过下述操作转换所述新人脸识别模型的识别分数:
获取旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值;
根据所述旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值将新人脸识别模型的识别分数转换为旧人脸识别模型的识别分数。
进一步地,本发明实施例中,通过下述公式进行转换:
其中,R1是旧人脸识别模型的识别阈值,R2是新人脸识别模型的识别阈值,x是新人脸识别模型的识别分数,y是新人脸识别模型映射到旧人脸识别模型之后的识别分数。
本发明实施例中,所述旧人脸识别模型的识别阈值R1及新人脸识别模型的识别阈值R2,可以选取预设的新、旧人脸识别模型识别阈值的正态分布中位值。
进一步地,本发明实施例通过转换所述新人脸识别模型的识别分数,使得人脸识别可以在旧阈值体系下还能正常使用,实现了模型的自动及无感知切换。
如图7所示,是本发明一实施例提供的实现无感知模型切换方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如无感知模型切换程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如无感知模型切换程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如无感知模型切换程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的无感知模型切换程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果;
对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型;
利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果;
基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果;
将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图5对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果;
对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型;
利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果;
基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果;
将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种无感知模型切换方法,其特征在于,所述方法包括:
获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果;
对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型;
利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果;
基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果;
将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
2.如权利要求1所述的无感知模型切换方法,其特征在于,所述利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果,包括:
利用预设的API网关对所述原始业务请求进行识别,确定所述原始业务请求应通过的旧人脸识别模型;
利用所述旧人脸识别模型对所述原始业务请求进行识别,得到旧人脸识别分数及旧人脸识别结果,汇总所述旧人脸识别分数及旧人脸识别结果得到第一验证结果。
3.如权利要求1所述的无感知模型切换方法,其特征在于,所述对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型,包括:
利用所述API网关对所述原始业务请求进行等比例流量复制,得到所述标准业务请求;
对所述标准业务请求进行反向代理,并将所述标准业务请求下发至预构建的新人脸识别模型。
4.如权利要求1所述的无感知模型切换方法,其特征在于,所述利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果,包括:
根据预设的阶梯式灰度策略调用所述标准业务请求,得到灰度流量请求;
利用所述新人脸识别模型对所述灰度流量请求进行人脸识别,得到新人脸识别分数及新人脸识别结果,汇总所述新人脸识别分数及新人脸识别结果,得到第二验证结果。
6.如权利要求1至5中任意一项所述的无感知模型切换方法,其特征在于,所述基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果,包括:
在所述第一、第二验证结果中,随机抽取预设数量作为验证样本;
利用所述验证样本计算新、旧人脸识别模型的有效性指标,及利用所述验证样本计算所述新人脸识别模型的稳定性指标;
汇总所述有效性指标及稳定性指标得到分析结果。
7.如权利要求1至5中任意一项所述的无感知模型切换方法,其特征在于,所述转换所述新人脸识别模型的识别分数,包括:
获取旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值;
根据所述旧人脸识别模型的识别阈值及新人脸识别模型的识别阈值将新人脸识别模型的识别分数转换为旧人脸识别模型的识别分数。
8.一种无感知模型切换装置,其特征在于,所述装置包括:
人脸识别模块,用于获取原始业务请求,利用所述原始业务请求对预构建的旧人脸识别模型进行验证,得到第一验证结果;
流量复制模块,用于对所述原始业务请求进行流量复制,得到标准业务请求,并将所述标准业务请求下发至预构建的新人脸识别模型;
灰度验证模块,用于利用所述标准业务请求对所述新人脸识别模型进行灰度验证,得到第二验证结果;
分析模块,用于基于所述第一、第二验证结果对所述新人脸识别模型进行有效性及稳定性分析,得到分析结果;
模型切换模块,用于将所述分析结果和预设的阈值进行比较,当所述分析结果大于所述预设的阈值时,不进行切换,当所述分析结果小于等于所述预设的阈值时,切换到所述新人脸识别模型,并转换所述新人脸识别模型的识别分数。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的无感知模型切换方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的无感知模型切换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524901.2A CN112560721B (zh) | 2020-12-21 | 2020-12-21 | 无感知模型切换方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524901.2A CN112560721B (zh) | 2020-12-21 | 2020-12-21 | 无感知模型切换方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560721A true CN112560721A (zh) | 2021-03-26 |
CN112560721B CN112560721B (zh) | 2023-12-08 |
Family
ID=75031201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524901.2A Active CN112560721B (zh) | 2020-12-21 | 2020-12-21 | 无感知模型切换方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560721B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642622A (zh) * | 2021-08-03 | 2021-11-12 | 浙江数链科技有限公司 | 数据模型的效果评估方法、系统、电子装置和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120057215A (ko) * | 2010-11-26 | 2012-06-05 | 주식회사 케이티 | 분산 환경에서 얼굴 인식 기술을 이용한 디스플레이 장치에서의 자동 전화 연결 방법 및 시스템 |
CN110070037A (zh) * | 2019-04-22 | 2019-07-30 | 深圳力维智联技术有限公司 | 人脸识别模型的平滑升级方法、装置和可读存储介质 |
CN110244965A (zh) * | 2019-06-06 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 灰度发布管理方法、装置、设备及计算机可读存储介质 |
CN110414312A (zh) * | 2019-06-05 | 2019-11-05 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、服务器及存储介质 |
CN111221565A (zh) * | 2018-11-27 | 2020-06-02 | 无锡雅座在线科技股份有限公司 | 一种软件应用程序的阶梯灰度发布控制方法 |
-
2020
- 2020-12-21 CN CN202011524901.2A patent/CN112560721B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120057215A (ko) * | 2010-11-26 | 2012-06-05 | 주식회사 케이티 | 분산 환경에서 얼굴 인식 기술을 이용한 디스플레이 장치에서의 자동 전화 연결 방법 및 시스템 |
CN111221565A (zh) * | 2018-11-27 | 2020-06-02 | 无锡雅座在线科技股份有限公司 | 一种软件应用程序的阶梯灰度发布控制方法 |
CN110070037A (zh) * | 2019-04-22 | 2019-07-30 | 深圳力维智联技术有限公司 | 人脸识别模型的平滑升级方法、装置和可读存储介质 |
CN110414312A (zh) * | 2019-06-05 | 2019-11-05 | 平安科技(深圳)有限公司 | 人脸识别方法、装置、服务器及存储介质 |
CN110244965A (zh) * | 2019-06-06 | 2019-09-17 | 深圳前海微众银行股份有限公司 | 灰度发布管理方法、装置、设备及计算机可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642622A (zh) * | 2021-08-03 | 2021-11-12 | 浙江数链科技有限公司 | 数据模型的效果评估方法、系统、电子装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112560721B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
WO2021189855A1 (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
CN111860522B (zh) | 身份证图片处理方法、装置、终端及存储介质 | |
CN112104626A (zh) | 基于区块链的数据访问验证方法、装置、电子设备及介质 | |
CN111754110A (zh) | 基于人工智能的经营指标评价方法、装置、设备及介质 | |
CN109087194A (zh) | 发票审核方法、装置、计算机设备及存储介质 | |
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN114881616A (zh) | 业务流程执行方法、装置、电子设备及存储介质 | |
CN112084486A (zh) | 用户信息验证方法、装置、电子设备及存储介质 | |
CN111950625A (zh) | 基于人工智能的风险识别方法、装置、计算机设备及介质 | |
CN111931047A (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN111401691A (zh) | 业务进度监控方法、装置及计算机可读存储介质 | |
CN112560721B (zh) | 无感知模型切换方法、装置、电子设备及存储介质 | |
CN112104662B (zh) | 远端数据读写方法、装置、设备及计算机可读存储介质 | |
CN112598135A (zh) | 模型训练处理方法、装置、计算机设备及介质 | |
CN112541640A (zh) | 资源的权限管理方法、装置、电子设备及计算机存储介质 | |
CN112634017A (zh) | 远程开卡激活方法、装置、电子设备及计算机存储介质 | |
CN111429085A (zh) | 合同数据生成方法、装置、电子设备及存储介质 | |
CN114157634B (zh) | 唯一账号识别方法、装置、设备及存储介质 | |
CN113240351A (zh) | 业务数据一致性检查方法、装置、电子设备及介质 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
CN112085611A (zh) | 数据异步核验方法、装置、电子设备及存储介质 | |
CN116225971B (zh) | 交易接口兼容性检测方法、装置、设备及介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 | |
CN114723400B (zh) | 业务授权管理方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |